Penerapan Linear Sampling dan Information Gain pada Algoritma Decision Tree untuk Diagnosis Penyakit Diabetes

Penerapan Linear Sampling dan Information Gain pada Algoritma Decision Tree untuk Diagnosis Penyakit Diabetes

• By Gunawan, Gunawan; Rahmawati, Ami; Suhada, Satia; Hidayatulloh, Taufik; Wintana, Dede;
• Jurnal Nasional Terakreditasi
• 390
• 124-131

Diabetes which is assigned to be in the top 10 list of diseases that cause death in the last 10 years has increased. What was observed was that this increase occurred in developing countries with middle to lower social status. In Indonesia, diabetes is included in the top 10 diseases with a large number of sufferers. And more than that, diabetes becomes comorbid that causes complications in Covid 19 patients. Then to detect diabetes more quickly and accurately, it is necessary to make research that can produce a better level of accuracy to detect diabetes. By using a public dataset taken from the UCI repository consisting of 520 records, obtained from Diabetes Sylhet Hospital, Bangladesh. In this research, classification will be carried out using the Decision Tree algorithm with optimization of Linear Sampling and Information Gain. After calculating using these methods and calculating the accuracy, the results obtained are 99.04% accuracy with a comparison with previous research which only used a Random Forest of 97.04%.

• Katakunci Kata kunci: Diabetes, Data mining, Linear Sampling, Information Gain
• URL https://jurnal.pnj.ac.id/index.php/multinetics/article/view/3796
• Penerbit Jurnal Multimedia Networking Informatics, Depok Jawa Barat

REFERENSI

[1] WHO, "The Top 10 Causes of Death," World Health Organization, 2020.

[2] WHO, "Diabetes," World Health Organization, 2020.

[3] KEMENKES   RI,   "INFODATIN   Pusat   Data   dan Informasi Kementerian  Kesehatan RI,"  Kementerian Kesehatan Republik Indonesia, Jakarta Selatan, 2020.

[4] Pangastuti,   S.   S.   (2018).Perbandingan   Metode Ensemble Random  ForestDengan  Smote-Boosting Dan  Smote-Bagging  Pada  Klasifikasi  Data  Mining Untuk Kelas Imbalance (Studi Kasus: Data Beasiswa Bidikmisi Tahun 2017 di Jawa Timur)-A Comparison Of  The  EnsembleRandom  ForestMethods  With Smote-Boosting And Smote-Bagging On Data Mining Classification     For     Imbalance     Class(Doctoral dissertation, Institut Teknologi Sepuluh Nopember).

[5] N.   Nurdiana   and   A.   Algifari,   "Studi   Komparasi Algoritma  ID3  dan  Algoritma  Naive  Bayes  Untuk Klasifikasi Penyakit Diabetes Mellitus," INFOTECH Journal, pp. 18-23, 2020.

[6] M. F. Salim and S. , "Analisis Rekam  Medis Pasien Diabetes Mellitus Melalui Implementasi Teknik Data Mining  di  RSUP  Dr.  Sardjito  Yogyakarta," JKesV -Jurnal Kesehatan Vokasional, pp. 167-174, 2017.

[7] F. M. Hana, "Klasifikasi Penderita Penyakit Diabetes Menggunakan   Algoritma Decision   Tree C4.5," Jurnal Sistem Komputer dan Kecerdasan Buatan , pp. 32-39, 2020.

 [8] M.  M.  F.  Islam,  R.  Ferdousi,  S.  Rahman  and  H.  Y. Bushra,  "Likelihood  Prediction  of  Diabetes  at  Early Stage  Using  Data  Mining Techniques," in Computer Vision  adn  Machine  Intelligence  in  Medical  Image Analysis, 2019.

 [9] I.  M.  P.  Dwipayana  and  I.  M.  S.  Wirawan,  Tanya Jawab  Seputar  Kencing  Manis  (Diabetes  Mellitus) dan    Sakit    Maag    (Gastritis),    Ponorogo:    Uwais Inspirasi Indonesia, 2018.

 [10] H. Tandra, Segala Sesuatu yang  harus Anda  Ketahui Tentang  Diabetes  Panduan  Lengkap  Mengenal  dan Mengatasi  Diabetes  dengan  Cepat  dan  Mudah  Edisi Kedua  dan  Paling  Komplit,  Jakarta:  PT  Gramedia Pustaka Utama, 2017.

 [11] I. H. Witten, E. Frank, M. A. Hall and C. J. Pal, Data Mining -Practical  Machine   Learning  Tools  and Techniques -Fourth   Edition,   Chennai:   Elsevier, 2017.

 [12] D. T.  Larose, Discovering Knowledge in Data, New Jersey: Wiley-Interscience, 2005.

 [13] D.P.  Utomo  and  M.  ,  "Analisis  Komparasi  Metode Klasifikasi  Data  Mining  dan  Reduksi  Atribut  Pada Dataset    Penyakit    Jantung," JURNAL    MEDIA INFORMATIKA BUDIDARMA, vol. 4, no. 2, pp. 437-444, 2020.

 [14] A.   P.   Ayudhitama   and   U.   Pujianto,   "Analisa   4 Algoritma     dalam     Klasifikasi     Penyakit     Liver Menggunakan Rapid Miner," JIP (Jurnal Informatika Polinema), vol. 6, no. 2, pp. 1-9, 2020.

 [15] L.   Rokach   and   O.   Maimon,   Data   Mining   With Decision Tree s Theory and Applications 2nd Edition, Singapore: World Scientific Publishing, 2015.

 [16] H.  Fujita  and  A.  Selamat,  Advancing  Technology Industrialization     Through     Intelligent     Software Methodologies,  Tools  and  Techniques,  Netherlands: IOS Press BV, 2019.

 [17] B.   Makhabel,   Learning   Data   Mining   with   R, Birmingham, UK: Packt Publishing, 2015.

 [18] X.  Li  and  C.  Claramunt,  "A  Spatial  Entropy-Based Decision  Tree for  Classification  of  Geographical Information," Transition  in  GIS, vol.  10,  no.  3,  pp. 451-467, 2006.

 [19] E.  Buulolo,  Data  Mining  Untuk  Perguruan  Tinggi, Yogyakarta: Deepublish, 2020.

 [20] S.  Tangirala,  "Evaluating  the  Impact  of  GINI  Index and    Information    Gain    on    Classification    using Decision   Tree Classifier   Algorithm," (IJACSA) International Journal of Advanced Computer Science and Applications, vol. 11, no. 2, pp. 612-619, 2020.

 [21] S.  Bahri,  A.  Wibowo,  R.  Wajhillah  and  S.  Suhada, Data Mining; Algoritma Klasifikasi dan Penerapannya  Dalam  Aplikasi,  Yogyakarta:  Graha Ilmu, 2019.

19.